六月：单细胞与基因调控网络笔记
测试样例 · 用于验证文档发布流程
一、稀疏性（Sparsity）
定义
在 scRNA-seq 数据中，大多数基因在单个细胞中的表达量被检测为零（称为“dropout”），即使这些基因在生物学上可能低表达。
成因
技术限制
- 低 mRNA 捕获效率：单细胞分离时仅捕获少量 mRNA 分子（通常每个细胞仅 1,000~10,000 个分子）。
- 扩增偏倚：PCR 扩增时高表达基因优先被放大，低表达基因可能漏检。
生物学因素
- 细胞状态瞬变性：基因表达具有瞬时性，采样时可能未处于活跃转录状态。
- 基因表达异质性：同一细胞类型中，基因表达水平存在细胞间差异。
影响
- 失真相关性分析：例如，基因 A 与 B 本应共表达，但因随机漏检，算法误判为无关联。
- 降低 GRN 推断准确性：关键调控关系（如 TF-TG）因稀疏信号被忽略。
示例
假设某 TF 在 10 个细胞中实际表达，但因技术漏检，仅 3 个细胞检测到表达。其靶基因在另外 5 个细胞中表达，但因漏检仅 1 个细胞有数据。算法可能无法识别该 TF-TG 调控关系。
二、噪声（Noise）
定义
数据中非生物学的随机波动，掩盖真实的基因表达信号。
来源
技术噪声
- 扩增偏差：PCR 扩增效率不稳定，导致相同 mRNA 分子在不同细胞中计数不同。
- 测序错误：碱基识别错误或接头污染。
生物学噪声
- 转录爆发（Transcriptional Bursting）：基因随机开启/关闭，导致表达量瞬时波动。
- 细胞周期影响：同一细胞类型中，处于不同周期阶段（G1/S/G2/M）的细胞表达谱差异显著。
影响
- 虚假关联：噪声可能使无关基因呈现虚假共表达（如细胞周期基因与代谢基因因周期同步被误关联）。
- 降低模型鲁棒性：GRN 算法（如回归模型）对异常值敏感，噪声会导致错误权重分配。
示例
细胞周期基因 CCNA2 在分裂期高表达，非分裂期低表达。若未校正周期效应，算法可能误将 CCNA2 与无关基因（如糖酵解基因）关联。
三、鲁棒（Robust）
是一个跨学科的核心概念，指系统在异常输入、噪声干扰或参数扰动下保持稳定功能和性能的能力。中文常译为“稳健性”或音译为“鲁棒性”，其本质是抗干扰的韧性。
四、Prior Knowledge（先验知识）
在科学研究（尤其生物信息学）中，指在分析当前数据前，已存在的、来自外部来源的生物学信息或假设。它不是从当前数据中推导得出的，而是作为“背景知识”指导模型构建，以弥补数据的局限性。
五、约束解空间（Constraining the Solution Space）
是优化问题和统计推断中的核心策略，指利用先验知识限制模型参数的取值范围，从而降低问题的不确定性和计算复杂度。在 GRN 推断中，其本质是通过生物学先验将“盲搜大海”变为“靶向挖掘”。
六、统计依赖性（Statistical Dependencies）
指变量之间存在的非随机关联关系，即一个变量的变化会以某种可预测的方式影响另一个变量的概率分布。在 GRN 推断中，它用于捕捉基因间的潜在调控关系，但需与因果性严格区分。
七、贝叶斯网络（Bayesian Network）
是一种基于概率图模型的统计工具，用于表示变量间的依赖关系及不确定性。它通过有向无环图（DAG）和条件概率表（CPT）结合概率论与图论，模拟复杂系统的因果关系。贝叶斯网络的核心是“用图表达概率依赖关系”。比如在医学诊断中，发烧和咳嗽都可能是感冒的症状，但两者没有直接因果关系——它们都依赖于“是否感冒”这个父节点。这种结构正好能模拟基因调控中转录因子（父节点）同时调控多个靶基因（子节点）的场景。不过用户需注意它的两大局限：一是计算复杂度高，20 个基因就有百万级可能网络；二是无环假设不现实，因为生物调控普遍存在反馈回路。原文提到的 PriorPC 算法就属于贝叶斯网络框架，但通过引入先验知识部分缓解了这些问题。
贝叶斯网络的优势——它能区分直接依赖和间接依赖。比如基因 A 和 C 本无直接关系，但因为都受 B 调控而表现出相关性，贝叶斯网络可以通过条件概率（给定 B 时 A 与 C 独立）识别出这点，而普通相关性分析会误判 A-C 关联。
八、高斯图模型（Gaussian Graphical Models, GGMs）
是一种基于多元正态分布的概率图模型，用无向图表示变量间的条件依赖关系。在 GRN 推断中，它通过逆协方差矩阵的零元素识别基因间的直接调控，避免虚假关联。生物意义：“当所有其他基因保持恒定时，若两个基因仍协同变化，它们很可能存在功能关联。”
九、过度离散（Overdispersed）与零膨胀（Zero-inflated）
“overdispersed”（过度离散）和“zero-inflated”（零膨胀）是两个关键统计特性，它们直接影响算法设计的合理性。
过度离散（Overdispersed）
定义：数据的方差（variance）远大于均值（mean），违反泊松分布（Poisson distribution）中“均值=方差”的假设。
零膨胀（Zero-inflated）
定义：数据中“零值”比例远超理论分布预期（如泊松或负二项分布预测的零值概率）。
在 scRNA-seq 中的体现：由于技术限制（如 mRNA 捕获效率低），基因在部分细胞中未被检测到（“假零值”），导致一个高表达基因的理论零值概率为 5%，但实际观测到 40% 细胞中其表达量为 0。
十、L1 正则化（L1 Regularization）
是一种用于防止机器学习模型过拟合的技术，通过在损失函数中添加模型权重的绝对值之和作为惩罚项，强制模型生成稀疏解（即部分权重被压缩至零）。它在高维数据（如基因调控网络推断）中至关重要。L1 正则化是 GRN 推断的“净化器”，通过绝对值惩罚删除弱连接，使网络更稀疏、更生物合理。其优势在高维单细胞数据中无可替代。
十一、图自编码器与 Transformer
在基因调控网络（GRN）推断中，图自编码器（Graph Autoencoder）和 Transformer 是两种先进的深度学习架构，用于从单细胞数据中学习基因间的复杂调控关系。
图自编码器（Graph Autoencoder）
图自编码器是专为图结构数据设计的神经网络，包含两个核心组件：编码器（Encoder）：将图中节点（基因）的特征和拓扑关系压缩为低维向量（隐表示）；解码器（Decoder）：从隐表示重构原始图结构（如基因间的调控边）。
Transformer
Transformer 依赖自注意力机制（Self-Attention）动态衡量所有输入元素间的重要性权重，擅长处理序列或图结构中的长程依赖关系。
优势是避免强建模假设，直接从数据中学习复杂 GRN 拓扑。
十二、隐表示（Latent Representation）
是深度学习模型从原始数据中提取出的低维、稠密、抽象的数学表达，它捕捉数据的本质特征（如基因的调控功能），同时过滤噪声。
想象你要描述一个人的“性格”：
- 原始数据：行为记录（如“每周去图书馆 3 次”“社交聚会沉默寡言”…）
- 隐表示：抽象特征向量 [内向度=0.8, 学术倾向=0.9]
- 应用：基于该向量预测此人是否适合科研工作（类似 GRN 中预测调控关系）。
十三、拓扑（Topology）
在基因调控网络（GRN）中描述的是节点（基因）之间连接关系的整体结构模式，它抽象掉具体的生物分子细节，专注于网络的连接性、形状与全局特性。拓扑学的精髓：只保留连续变形下不变的性质。
十四、预处理流程
单细胞 RNA 测序数据分析中的标准预处理流程：
- 质控（Quality Control）目标：过滤低质量细胞和技术噪声。
- 计数标准化（Count Normalization）目标：消除技术偏差（测序深度差异）。
- 特征选择（Feature Selection）目标：筛选信息量高的基因，减少计算复杂度。
- 批次整合（Batch Integration）目标：合并多批次数据，消除技术偏差（如不同供体、实验日期）。
- 降维（Dimensionality Reduction）目标：压缩数据至低维空间，保留关键信号。